边缘计算在船舶监测中的应用

能源

Article用于船舶监测系统的边缘计算方法

若昂·C·费雷拉 1,2,3,*和安娜·露西亚·马丁斯 4
1 ISTAR‐IUL，里斯本大学研究所（ISCTE‐IUL），1649‐026里斯本，葡萄牙
2 ALGORITMI研究中心，米尼奥大学，4800‐058吉马良斯，葡萄牙
3 INOVINESC创新—新技术研究所，1000‐029里斯本，葡萄牙
4 商业研究单位（BRU‐IUL），里斯本大学研究所（ISCTE‐IUL），1649‐026里斯本，葡萄牙
*通讯作者： jcafa@iscte‐iul.pt；电话：+35‐12‐1046‐4277
收到日期：2019年7月15日；接受日期：2019年8月8日；发表日期：2019年8月10日

摘要

船舶监控系统（VMS）负责实时船舶动态跟踪。在海上，大多数跟踪系统使用卫星通信，其相关成本较高。这导致数据传输频率降低，从而影响了船舶位置的可靠性。我们的研究工作是在本地船舶监控系统上构建一种边缘计算方法，创建一个智能处理流程，以判断所收集的数据是否需要传输。仅传输可能表明异常行为的相关数据。其余数据则被存储，并仅在船舶抵达港口且可使用低成本通信系统时进行传输。本研究将该方法应用于渔业管控流程中，将数据收集频率从每10分钟一次提高到每30秒一次，同时由于仅向主管中央机构实时传输相关数据，显著降低了卫星通信成本。研究结果表明，由于仅传输船舶异常行为数据，通信成本节省幅度达70%至90%。即使数据收集频率达到每30秒一次，研究还显示，采用更稳定的捕鱼技术和渔区会带来更高的成本节省。本文还评估了该提出的方法在捕鱼环境影响以及欺诈检测与减少方面的潜力。

关键词 ：船舶监测系统；海上运输；边缘计算；追踪

1. 引言

2010年，非法、未报告和无管制（IUU）捕捞约占全球渔业总渔获量的30%，给沿海经济体造成数十亿美元损失，并以不可持续的速度耗尽鱼类种群[1]。据估计，全球IUU捕捞规模约为100亿至235亿美元，相当于1100万至2600万吨渔产品[2]。这一问题在发展中国家更为严重，这些国家面临粮食不安全等严重后果以及应对该问题的挑战。联合国毒品和犯罪问题办公室（UNODC）开展的研究指出，渔业产业容易受到国际有组织犯罪的影响[3]。IUU还与破坏海洋生物资源的环境犯罪相关联。

非法、未报告和无管制的捕捞主要影响发展中国家的小规模渔业社区[4]。IUU捕捞通常被视为一种环境犯罪，因为它改变了生态系统并对整个社会造成影响。由于非法活动发生在远海，且鱼类资源量的评估依赖于估算，因此这一问题难以准确估计[3]。2013年，经济合作与发展组织（OECD）研究了IUU问题并发布了一份报告，讨论了犯罪分子为逃税而采取的各种手段，例如虚假渔获申报、更改渔获地点、提供渔产品错误描述等[5]。

主要问题是IUU活动带来的高额收入，纠正措施应集中于：(1) 减少非法、未报告和无管制捕捞的收入；(2) 增加从事非法、未报告和无管制捕捞船舶的运营成本；(3) 增加从事非法、未报告和无管制捕捞船舶的资本成本；以及(4) 提高参与非法、未报告和无管制活动的风险和成本[6]。同一项研究表明，渔业部门薄弱的治理安排和管控流程被认为是IUU活动的主要脆弱性。为缓解这一问题，政府应建立更强大的政策框架和更完善的管控流程。一个关键的改进领域是船舶追踪以及利用数据分析实现快速欺诈识别。有必要掌握有关深海船舶活动的准确完整的信息[7]。

为了解决这些问题，提出了船舶监控系统（VMS）系统。该VMS（MONICAPTM，http://www.xsealence.pt/equipamentos/）由安装在渔船上的连续监测设备（EMC—“蓝盒”）组成，每2小时通过卫星实时向渔业控制与监测中心（FCMC）记录并传输船舶的地理位置、航向和速度等卫星信息。目前，所有总长度超过12米的船舶均提供地理参考信息，并用于检查、监测和捕鱼活动管控。在葡萄牙国家水域（大陆专属经济区、马德拉和亚速尔群岛），这一范围涵盖所有近海拖网渔船以及绝大多数围网船队和部分延绳钓、刺网及陷阱网渔船（欧盟第1380/2013号法规，2013年12月11日关于共同渔业政策的规定）。此类信息具有巨大的研究潜力，可用于捕鱼活动的制图与量化分析。

过去十年中，该信息已被用于行业内的船队动态分析以及捕捞努力量估算。这些分析的基础是识别捕捞作业的关键阶段。利用VMS数据点有助于实现这一目标，但这需要基于详细的实地观察来了解不同类型船舶上的船上作业情况。然而，高质量的船舶位置记录频率信息至关重要。当记录频率较高时，经验丰富的观测者将能够识别出对应于不同作业阶段的空间模式。由于通信成本较高，当前的传输速率仅为每两小时一个位置，这影响了对主要捕捞作业阶段的识别。然而，在本研究提出的蓝盒中，记录间隔为每10分钟一次，并且可编程提高此频率。

MONICAPTM 终端（图1）支持多种供电电压，满足不同船舶的需求，支持多种通信媒介（允许自动选择最合适的通信方式或最低成本的通信方式），并能够在规则要求时向多个控制中心传输数据。它可以存储最近的65,535条记录（每10分钟一次，最长可达455天），并可传输其中最近存储的1,000条记录。参数设置既可在本地也可在远程进行，可针对所有区域、区域组或单个区域进行配置：例如设置传输参数（如在港口时24/24小时传输）；配置需要传输的事件（例如，在特定时间段内船舶进入限制区域时即进行传输）；设置移动单元的“唤醒”频率（例如，在电池模式下，若处于港口，则可每2小时唤醒一次）。该终端还配备扩展的报警管理系统，可用于在出现内部或外部异常时实时生成警报，以通知控制中心。共有34种不同的警报，例如：（1）试图篡改终端；（2）外部电源故障/断电；（3）天线阻塞；（4）硬件问题；（5）遇险求救（SOS）；以及（6）硬件变更。

安装在船上的MONICAPTM终端通过集成的全球定位系统+SBAS（欧洲地球静止导航重叠服务（EGNOS））系统[8], 记录一组数据（位置、日期/时间、完整性、状态记录），以确保精确的位置信息。

2. 研究现状与边缘计算方法

针对捕鱼影响评估和发现非法活动，已有研究采用云计算方法进行数据处理以提取知识[9–11]。这些研究范围涵盖从时空采集数据的处理到对捕鱼活动环境影响的识别与评估[12,13]。船舶监测系统在所捕获鱼类的报告文件方面也具有相似性，并可应用一系列工具进行数据处理以实现知识提取，主要使用两个R语言软件库：VMStools[15]和 VMSbase [16], for R。

已在云服务器上采用集中式方法进行了多项工作，通过数据处理提取知识，但也可以在船舶监测系统（VMS）或AIS系统中采用类似的边缘计算方式进行处理，如同在物联网系统中应用的方法一样，以避免传输数十亿个数据文件[17]。可将一些方法应用于当前情况，以节省通信开销，因为在海上（偏远海域仅可通过卫星通信）使用卫星通信成本较高。

大多数船舶监测系统（VMS）或自动识别系统（AIS）缺乏处理能力、存储容量和内存[14],，因为它们是嵌入式系统，且相关的传输成本导致数据每10分钟传输一次。在某些情况下，该频率是不够的，例如在围网捕鱼检测中，船舶操作在5分钟内完成。

边缘计算基于在数据生成的特定网络边缘附近处理数据，而不是在集中式数据处理位置进行处理。边缘计算减少了必须传输的数据量，从而降低了延迟并减少了传输成本。关于边缘计算当前发展和现状的调查见于 [18] , ，其中还讨论了边缘计算的未来研究方向。该技术方法能够为移动计算、可扩展性以及物联网 [19] 的隐私政策执行提供高度响应的云服务。

船舶监控系统是基于云计算范式开发的，通过将数据传输到中央系统。由于海上通信成本较高（大多数情况下依赖卫星通信，而这是远海唯一可用的方式），数据收集过程通常约为每10分钟一次。在某些情况下，这一时间间隔可能存在问题，因为在监控过程中会损失反应时间，并难以识别某些捕鱼活动，例如围网捕鱼。

3. 提出的方法

为了克服传统船舶监测系统处理能力的限制，我们采用了一种内存占用较低（即中央处理器容量）的算法方法来识别局部模式。这些模式被用于决定采集的数据是应立即传输还是仅在港口传输。我们提出的系统如图2所示：在本地VMS设备上构建一种边缘计算方法，用于向执法机构发送捕鱼管控流程中可能存在的异常行为警报。这种新兴方法适用于当前的监测过程，因为它能够降低通信成本。在这种情况下，这些边缘处理过程通过仅在检测到偏离模式的数据时才进行数据传输，从而降低了通信成本。通过在捕鱼活动中实时生成可能违规行为的警报，执法机构可据此开展有针对性的检查以评估潜在的违规行为。由于大部分数据都存储在本地，因此可以将数据采样频率提高至一个可配置参数，达到约每分钟一次的频率（过程1），基于历史数据创建数据模式（过程2），并利用这些模式驱动报警过程（过程3），该报警过程通过与可配置概率参数相结合的决策树过程实现。这些过程共同构成了边缘计算方法的基础。

更详细地说，在该采用边缘计算方法的Monicap系统（船舶监测系统）中，所使用的三个过程如下：

1. 过程1 ：在结构化查询语言（SQL）中创建本地数据库，并根据可配置参数设置采样时间。对于每艘船舶，数据在船舶监测系统（VMS）中进行本地收集和存储。
2. 过程2 ：实施数据挖掘过程，以识别船舶监测系统（VMS）数据中的模式（速度、位置、日期和航向）。考虑到数据收集过程周期（这是一个可配置参数），可以识别以下时间段的模式：
   - 速度 ：基于收集的速度数据，应用统计分布将速度分组为离散类别。从常规曲线中我们得到两条高斯曲线，如图3所示，其中最高速度对应于船舶在渔区和港口之间的移动，最低速度则与捕鱼活动相关联。具有关联概率的最小高斯速度可以作为速度的函数指示捕捞类型。该分析应用于每个船舶，因此具有关于捕鱼速度标准的个性化信息，并可根据一年中不同时间和渔区的功能进行定制。
   - 地理位置 ：实现了K‐均值、热力图和BDscan算法，用于根据一年中的时间和船舶识别渔区。该过程包括在嵌入式系统中实现相关算法，能够对数据进行分组，并创建关联区域的计算表示，从而以简单的方式在计算上表示渔区：识别矩形、圆形或其他多边形。这些聚类算法是基于低计算能力的应用实现的。
   - 航向变化 ：考虑到船舶航向的变化，可以计算在某一时间间隔内的总旋转，并得出角速度。这些参数（总旋转和角速度）能够以一定程度的确定性推断或排除船舶在某一时刻所进行的活动。一个很好的例子是围网捕鱼，其特点是船舶在很短的时间间隔（几分钟）内完全环绕鱼群。一方面，拖网捕鱼只需对船舶进行微小调整，因此10分钟的传输就足够了。当渔网直线移动时，其覆盖范围达到最大，但渔网重量本身极大地限制了船舶性能，使其无法大幅改变航向。
3. 过程3 ：包括实施一个具有四个层级的决策树，该决策树基于过程2输出中确定的标准，用于分析所创建的数据流与上述标准之间的符合性。该比较可通过分析船舶数据或中央系统中识别的渔业标准来进行。当识别到与模式的偏差时，此过程会生成数据警报，并为其关联一个概率。通过实施定义的四个级别，以是或否的问题形式（根据定义的概率阈值选择），可将上述警报传输给监管机构。

葡萄牙的专属经济区面积比例位居全球前列，因此需要对非法、未报告和无管制的捕捞进行管控。Xsealence公司（https://www.xsealence.pt/）于2018年和2019年将该方案应用于葡萄牙渔船队，开展了涵盖所有捕鱼活动的初期试点，涉及50艘船舶（详情见第4节）。

3.1. 速度剖面分析

要判断船舶是否在进行捕鱼活动，我们可以利用其速度模式，因为船舶在航行和捕鱼时的速度有所不同。我们可以通过观察图3所示的图形来验证这一事实，该图对应于我们研究中的船舶2。

直方图有助于识别两种不同的速度模式，当各船舶速度数据以图形方式表示时，可通过两个明显的分布进行识别。分布中显示较低平均速度的部分对应于捕鱼活动速度，而其他（较高）的速度观测值则对应于船舶在港口与渔场之间的移动。因此，需要分离出第一次分布的范围，以便能够对后续的速度进行分类，判断其是否与捕鱼相关。为了分离第一次分布，使用了爬山算法[20]。该算法是一种局部优化算法，提供直接搜索。随机爬山算法基于迭代过程，通过为候选解随机选择邻域来工作。解的接受取决于相对于先前解的改进准则。所使用的实现在算法收敛到最大值时会继续寻找分布的边界。

为了获得该解决方案，算法会搜索第一个在其后的三个点（当前键 + 0.5、当前键 + 1 和当前键 + 2）中没有更高值的局部最大值。这样，我们可以找到捕鱼速度范围的最大值。为了确定捕鱼速度范围的结束，算法会继续扫描直方图，直到接下来的三个点不低于当前点为止。通过这种方式，我们最终可以得到一个直方图，如图4所示，可以观察到预期的分布。一旦确定了与捕鱼速度相对应的分布，下一步就是定义一个范围来对新数据、最低速度和最高速度进行分类。在此范围内，船舶被归类为捕鱼状态。为此，考虑了三种可选程序：

• 标准差 ：该解决方案假设速度分布为正态分布。通过捕鱼速度的分布，可以找出出现频率较高的捕鱼速度。考虑到标准差，可以确定与均值的距离，从而识别出期望的最小总体（由切比雪夫不等式 [21] 解释）位于捕鱼范围内。
• 核密度估计 ：核密度估计通过在每个数据点上施加一个模型函数并将其累加，从而估计密度函数的概率。应用于每个数据点的函数称为核函数 [22]。
• 滤波器 ：通过使用滤波器去除出现次数少于最大出现次数10%的所有速度出现次数，并分离出后续的出现次数，可以获取船舶捕鱼速度的清晰分布。基于此，可利用该分布的首个值和最后一个值对新输入进行分类。为了分离捕鱼速度，可以使用爬山算法，假设第一次分布即为捕鱼速度。

所采用的程序分为两部分进行：首先使用基于滤波器的方法将捕鱼速度从其余部分中分离出来；然后应用核密度分布方法。其使用目的如下：

• 滤波器 ：在第一步中，它从数据库中检索所有速度数据以创建直方图如图3所示。下一步，使用爬山算法获取第一次分布的最小值和最大值。速度0已被移除，因为我们不希望考虑船舶完全停止的情况。
• 函数 ：在过滤后的直方图中应用了核密度分布方法，以在图5中用橙色表示分布。创建了一个包含速度和速度累积百分比的字典。这得到了如图6[23]所示的直方图。

然后，定义了概率的四分位数范围。与置信区间估计类似，此处也定义了一个置信水平，该置信水平将与对应于捕鱼活动的双速度限值相关联。一旦设定这些限值，就可以将新数据与既定限值进行比较。如果新数据在限值范围内，则被分类为捕鱼；否则，被分类为非捕鱼。

渔场：通过船舶的GPS位置历史记录，可以判断该船舶是在其常规渔区捕鱼还是在新位置捕鱼。在不同区域捕鱼可能意味着两种不同的情况：要么船舶改变了其捕捞类型，要么船舶可能正在进行非法作业。图7显示了一艘船舶的GPS点位。通过使用基于聚类的方法，可以识别出该船舶的若干正常渔区。当船舶超出这些区域时，应触发警报。

3.2. 地理位置聚类

应用了多种方法来确定捕鱼点的地理聚类位置，例如：K‐均值、基于密度的聚类和DBSCAN。输出结果是识别每艘船舶的常规捕鱼区。如果新收集的数据识别出船舶位于这些区域之外，则会发送数据并可能生成警报。

K‐均值 [23]是一种聚类无监督学习算法，它将n个地理测量值划分为K个簇，其中每个观测值属于距离最近的均值所在的簇。该方法将空间划分为K个区域。K‐均值 [23]是解决众所周知的聚类问题的最简单算法之一，具有较低的中央处理器和内存使用。其实现的主要问题是K值的确定，在多种多样的渔船中不容易定义。K个质心存储在船舶上，以便可以将收集的数据与该质心的距离进行比较。如果在短时间周期（可配置参数）内识别出一组新警报，则使用K + 1执行K‐均值算法，因为这很可能是一个新的渔区。

基于密度的聚类：基于密度的聚类算法[24]是另一种已实现的方法，该方法在需要计算机中央处理器和内存的情况下补充了前述方法。该算法通过估计区域内数据点的密度来发现聚类。这种方法的优势在于无需预先定义聚类数量 (K) 即可找到渔区。根据收集的全球定位系统数据，该算法将数据空间中的高密度区域作为聚类，而低对象密度（噪声）区域则将其分隔开[25]。

基于密度的聚类的概念性方法是，对于一个聚类中的每个实例，其给定半径 (Eps) 的邻域内必须至少包含最小实例数 (Min Pts)。该方法能够识别出不属于该聚类的新收集的数据（即到组质心的距离大于该组其他元素到此质心距离的数据）。

DBSCAN是一种针对含噪声数据的基于密度的空间聚类方法[26]。它是一种基于密度的聚类算法，因为它基于数据密度分布点工作。经过2018年的若干测试，并基于1，最终确定DBSCAN是此案例的最佳方法。

在K‐均值算法和基于密度的聚类算法之间，最终确定基于密度的聚类在识别新GPS点属于概率聚类分布中某个聚类的概率方面具有显著优势。因此，用户可以为其具体情况定义最佳配置。聚类本身在K‐均值和基于密度的聚类之间是相同的，因为基于密度的聚类使用K‐均值来定义质心——仅通过增加一层来定义每个聚类的密度区域而有所不同。

为了确定聚类数量，使用肘部方法 [27]对簇内平方和进行分析，如图8所示。不同聚类数量下的平方误差和。簇内表示每个聚类中的向量到其各自质心的距离。目标是使该值尽可能小。实现此目标的一种方法是多次运行K‐均值聚类，每次增加聚类数量。然后可以比较每次的簇内平方和，在改进速率下降时停止。最佳情况是在保持聚类数量较少的同时获得较低的簇内平方和。

肘部方法是可视化的。其思路是从K= 2开始，每一步将其增加一个单位，计算聚类及训练带来的成本。在某个K值时，成本会显著下降，之后随着K的继续增加，成本进入平稳期——这个K值就是我们想要的。我们可以观察到，六个聚类是一个合适的数量，因为当聚类数量增加时，误差没有明显减少。举例来说，图8中按聚类数量划分的平方误差和数据来自GPS点位。

3.3. 方向分析

我们旨在探索建立船舶角速度剖面的可能性，以识别其是否属于某种特定的捕捞技术，因为每种捕捞技术都需要特定的船舶行为。围网捕鱼技术的特点正是在捕鱼过程中执行环形航线。该方法仅用于围网捕鱼船舶的识别。

围网渔船是由船舶或单独的小艇在水面或靠近水面处围绕集群鱼类部署的长型垂直悬挂渔网。为防止鱼类逃逸，通常以平均约10节的高速快速完成圆形作业。圆形作业半径取决于船舶，可通过航向速度检测得出。当圆形作业完成后，渔网将鱼类包围，直至捕鱼起网作业结束，此时渔网被提出水面。在此最后阶段，船舶基本保持静止状态，速度低于2.5节。

如果检测到船舶正在进行类似于围网捕鱼技术所需的移动，但该船舶并未获得相关许可，则会发出警报。

3.4. 时间分析

时间模式可根据日期和时间识别工作时段。它们在行程开始时使用，如果数据需要传输，则对这一用于识别的局部过程影响不大。在使用一年时间段（2018年）的数据进行测试后，由于在测试年度中识别出的模式不清晰，最终决定不实施此分析。

4. 边缘计算实施过程

开发了一款名为DSALib（决策支持警报库）的软件应用程序。对于市场解决方案，该库可由 MONICAP主应用程序使用，以发送警报来支持决策。

应用程序通过初始化三个对象来启动：
- ProcessVelocity ：该对象将向静态类ImportData请求，以从数据库中检索所有对地速度（SOG）数据。随后，该过程将结束于捕鱼速度限制的识别（最低捕鱼速度和最高捕鱼速度）。
- ProcessNewArea ：该对象仅在 ProcessVelocity 之后初始化，因为它需要速度捕鱼限制来创建渔区聚类。通过这些限制，该对象向 ImportData 发起请求，仅包含船舶在速度限制范围内的纬度和经度。通过此方法，该对象生成渔区的聚类。
- Processdirangular ：此对象仅在ProcessVelocity之后初始化，因为它需要捕鱼速度。该过程用于寻找圆形及其关联的半径，并支持围网捕鱼技术的识别。

当三个对象准备就绪后，我们需要发送新的速度数据和GPS坐标，以接收一个对象，如果船舶正在捕鱼，则“isFishing”为true；如果船舶处于非正常捕鱼区域且处于捕鱼速度，则“isNewArea”为true（见图9）。

开发软件时使用了Java，因为它是一种功能强大、完全面向对象且跨平台的编程语言。MONICAP使用Linux，因此使用JRE（Java运行时环境）应用程序是一个很好的选择。

此外，我们实施了一个流程，通过VMS设备的蓝牙传输来识别可能的转运行为。基于发射功率的典型通信范围为100米。如果另一艘船舶位于该距离范围内，每艘船舶都将接收到蓝牙信号，并启动传输过程。若这些船舶在该距离和位置保持一段时间（可配置参数），中央系统将生成警报，指示对已识别位置进行无人机视觉检测。

另一种传输过程基于每艘船舶现有模式之外的捕鱼位置。该方法存在冷启动问题，在第一个工作月期间，系统被配置为每10分钟传输一次。一旦初始模式确定，系统便开始根据所提出的方法进行传输，从而降低通信成本。

此外，我们创建了一个内部流程来检查天线是否被锥形化。一些不希望被定位的船舶采用的行为是使用金属遮挡天线，以损坏传输信号。如果检测到此行为——当系统尝试传输数据但无法完成时——也会发出警报。

5. 结果

本项目是对XSealence开发的现有专有系统——集成控制中心的补充。2018年，该系统基于葡萄牙渔船队的85,024次船舶航程数据记录了1,048,576个事件。表2显示了这些记录的一个小样本示例，包含以下变量：（1）NAME：船舶名称。该系统安装在310艘不同渔船；（2）DATETIME：日期和时间，格式为（DD‐MM‐AAAA HH:MM）；（3）纬度和经度的GPS坐标；（4）COURSE：表示移动方向，范围为0（北）至360度。平均测量值为138.4，偏差为116.55；（5）SPEED：船舶速度，单位为节。采集的数据范围为0至23，均值为1.13，标准差为2.7。这些数据是自动生成的，与船长在每次航行结束时生成的人工报告相对。

在深海，唯一可用的通信系统是卫星——而这种方式非常昂贵。因此，这一成本极大地限制了需要传输的数据量。2018年，我们在310艘渔船中的50艘上测试了边缘计算方法，这些渔船按捕捞渔具分为10艘一组：（1）拖网；（2）围网（带绞纲）；（3）钩线；（4）陷阱网；和（5）刺网和缠绕网。在第一学期期间，它们每10分钟传输一次数据；在此时间段之后（第二学期），它们开始使用 VSM盒子上的提出的方法进行边缘计算。这使得可以比较所执行的数据传输情况。在第二学期（该方法已上线并在50艘渔船上实施后），平均而言，传输频率仅减少了20%。进一步分析发现，传输频率降低幅度较小的原因在于发现了新的捕鱼位置。最终结果显示，在2018年的最后几个月，通信频率已经减少了70%。2019年前三个月的数据显示，在五艘被分析的渔船上节省了最高达90%的成本。这五艘渔船均采用名为拖网捕捞的捕捞技术，且无法适应其他捕捞方式。因此可以得出结论：捕捞技术的一致性结合规律的捕鱼行为（使用常规渔区及整体行为模式）能够减少异常行为，从而降低数据传输需求，进而降低相关成本。

6. 结论

本研究旨在开发一种替代性的深海船舶定位数据收集过程，以降低卫星通信成本。该方法基于船舶上监控盒中的边缘计算过程，能够比现有解决方案更频繁地收集数据，但仅在检测到异常行为时才进行传输。

非法、未报告和无管制（IUU）捕捞正以不可持续的水平冲击着脆弱的沿海经济体和鱼类种群。此外，在深海进行的其他非法活动也需要被识别并加以打击。

迄今为止，船舶监测系统依赖于船舶每10分钟进行一次数据传输，目前已有多种方法用于实现这一目的[14,28]。由于在深海区域只能通过卫星进行通信，所有这些方法都会导致高通信成本。本研究对理论的贡献在于，首次在船舶的监控盒中应用边缘计算过程，使得船舶监测系统仅在检测到异常行为时才传输数据。同时，我们提出了一种新颖的智能方法，使监控盒能够判断是在数据采集时就传输数据，还是等到船舶靠港后在通信成本较低时再传输。此外，所提出的本地存储方案使得监测采样率可以从10分钟提高到1分钟甚至更短（现在这已成为VMS设备中的一个可配置参数）。

提出的方法显示可将通信成本降低70%至90%。考虑到远洋船只每年在卫星通信上的花费可能高达12,000美元，采用此方案可带来显著的节约。因此，这对实践具有重要意义。此外，能够评估有关船舶位置和行为的详细数据，将为打击渔业领域中存在的税务欺诈提供有力工具，同时也为理解捕捞模式和聚类，制定环境保护计划提供了可能。

所提出的聚类过程对于理解特定区域的捕捞模式非常有用，并且有可能逐年分析各区域捕鱼时长水平是否存在变化，进而实施物种保护相关的限制措施。同时，还可以根据船舶在传统渔区停留的时间来评估可获得的鱼类数量（如果船舶倾向于避开其传统渔区，则极有可能这些区域的渔获量已低于传统水平）。船舶的这些移动模式同样可以为某些类型鱼群出现的区域提供重要线索。

采用提出的方法后，渔业管控过程不会减弱，因为拥有全球移动通信系统、无线网络或其他低成本通信系统的港口能够将数据传输到中央控制服务器，且数据伙伴可实现同步。

本研究的发现仅基于来自一个国家——葡萄牙——特别是其南部地区的一个由50艘渔船组成的样本，这限制了其影响力。然而，在具有相似文化和捕捞传统的国家或地区，研究结果可能与本文报告的结果相差不大。在文化差异较大且目前船舶尚未实现持续监测的国家或地区，该方法可以成为规范捕鱼活动以及警示和预防非法活动的良好解决方案。

作者 Contributions: 两位作者对论文撰写贡献相同，且J.C.F.完成了额外工作在th上工作概念化和实施细节。

资金：本工作部分得到了葡萄牙国家资金通过FITEC项目的支持接口，参考编号为CIT“INOV‐INESC 创新—Financiamento Base” 技术。

利益冲突： 作者声明不存在利益冲突。